该技能是一套机器学习工程方法论，用于把模型研究落到可训练、可评估、可部署、可维护的生产系统。
用途与职责边界：面向ML工程师负责的领域，包括模型训练（LoRA/QLoRA微调、全量微调、分布式训练）、模型评估（基准套件、自定义评估集、回归测试）、量化（GGUF、GPTQ、AWQ、bitsandbytes）、推理服务（vLLM、llama.cpp、TGI、Triton）、评估工具链（lm-eval-harness、自定义流程）、模型部署（容器化、版本管理、A/B测试）。资料同时明确不归属的部分：统计建模与实验设计、因果推断与假设检验归数据科学家；训练数据收集与标注归数据/MLOps团队；业务指标与KPI定义归产品经理；数据管道架构归数据工程师；基础设施供给归平台工程师。
参考文件与加载时机：references/fine-tuning.md 用于搭建LoRA/QLoRA/全量微调任务（数据准备、超参数、验证策略）；references/evaluation.md 用于模型评估（基准选择、自定义评估集、回归跟踪、对比方法）；references/quantization-inference.md 用于量化与部署（GGUF/GPTQ/AWQ/bitsandbytes对比、校准数据策略、KV缓存量化、vLLM/llama.cpp/TGI/Triton架构与生产考量）；references/training-infrastructure.md 用于选择与配置训练基础设施（GPU选型、多GPU训练、云与本地部署）。
核心原则：优化前先测量，未测基线不做量化、剪枝或蒸馏；可复现性不可妥协，每次训练需固定随机种子、数据版本、超参数与评估方法；先建立基线，若基座模型已足够，微调预算应挪作他用；在能力分布边界而非中心做评估，难例信息量更大；评估集是负债，每个样本都可能造成测试集泄漏，应使用留出集、轮换样本并定期审计污染。
限制：资料未提供具体价格、收费模式、平台支持范围或安装命令，暂未提供；具体实现细节需查阅对应参考文件。